在 SPSS 中实现“典型相关分析（Canonical Correlation Analysis, CCA）”的步骤如下，它是一种研究两个变量集合之间关联关系的多变量统计方法，适合回答这样的研究问题：

一组自变量（例如身高、体重、年龄）是否与另一组因变量（如血压、胆固醇、血糖）有系统性的线性关系？

✅ 一、准备数据

你的数据文件应包含两组变量，例如：

  • 自变量组（X）：X1、X2、X3
  • 因变量组（Y）：Y1、Y2、Y3

✅ 二、SPSS 操作步骤

SPSS 无默认菜单执行典型相关分析，需要通过 “语法命令” 实现。

✨ 方法一：使用 SPSS 语法（推荐）

  1. 打开 SPSS 数据文件（.sav）。
  2. 点击菜单栏：文件 > 新建 > 语法
  3. 输入以下语法代码：
MANOVA Y1 Y2 Y3 WITH X1 X2 X3
  /DISCRIM ALL
  /PRINT = SIGNIF(BETWEEN) HOMOGENEITY
  /STAT = ANALYSIS
  /CANONICAL
  /PLOT = EIGEN
  /MATRIX = IN(CORR) OUT(CORR).
  1. 选中代码后点击菜单栏的运行按钮（绿色箭头 ▶）。

✨ 方法二：使用 SPSS AMOS 或 R（可选）

如果你希望图形化方式或更强的模型控制：

  • AMOS：主要用于结构方程建模，也能实现典型相关结构分析。
  • R：例如 cancor() 函数或 CCA 包都支持典型相关分析。

✅ 三、结果解读关键点

1. Canonical Correlation 值

  • 每对典型变量对（canonical variates）会生成一个典型相关系数，表示两个变量组合间的最大线性相关程度。
  • 值越接近 1，表示两个变量组合的相关性越强。

2. Wilks’ Lambda（检验整体显著性）

  • 判断所有典型变量对是否显著，通常通过 Wilks' Lambda + F 检验。
  • P 值 < 0.05 表示该典型相关维度显著。

3. 标准化系数与结构载荷

  • 标准化典型系数：类似回归权重，表示每个原始变量对典型变量的贡献。
  • 结构相关（Structure Coefficients）：表示原始变量与典型变量的简单相关系数，用于变量解释。

✅ 四、案例示意

假设你有如下变量：

  • X 组（生活习惯）：运动时间、睡眠时间、工作时长
  • Y 组（健康状况）：BMI、血压、血糖

通过典型相关分析，你可能发现：

  • 第一对典型变量对的相关系数为 0.72，P < 0.001，表示生活习惯和健康状况之间存在强相关。
  • 工作时长、睡眠时间是主要影响因子，血压、BMI 是主要响应变量。

✅ 五、注意事项

  • 典型相关分析需要 变量间存在线性关系。
  • 建议对变量进行标准化处理（尤其在单位差异较大时）。
  • 检查数据是否满足正态性、多元共线性等基本假设。

如你希望我提供一个 完整示例数据 + SPSS输出截图 + 解读报告，我也可以制作一份模拟案例来演示。你是否需要？